关键词： 图像处理   火灾烟雾识别   背景补偿   特征融合   支持向量机  

摘要： 提出了一种动态场景下火灾烟雾多特征融合识别定位算法。为解决动态场景下烟雾准确识别与定位问题,将ORB特征提取结合改进的K—最近邻(KNN)算法,实现了更准确的特征点匹配,通过特征点对灰度阈值划分,实现特征点的分离,达到精确的背景补偿;从烟雾静态特征出发,经过烟雾增强的颜色分割后,引入暗通道帧差法,结合亮度视觉注意机制模型,突出烟雾显著区域,实现了轮廓区域精准分割;最后将烟雾纹理信息与轮廓不规则性两类特征进行融合,对融合后的特征向量进行支持向量机(SVM)训练,实现烟雾区域的最终判定。定位实验表明:所提算法具有能够满足动态场景下的火灾烟雾准确识别与定位。

关键词： YOLOv5S   深度学习   车窗状态   目标检测  

摘要： 为提高复杂交通场景下车窗状态的自动化识别精度,提出了一种基于改进型YOLOv5S的车窗状态检测模型。该检测模型在骨干网络中嵌入CA注意力机制模块使模型能够更精准地聚焦车窗边缘、开合角度等关键区域特征;使用BiFPN模块替换FPN模块以增强其特征融合能力,通过双向跨尺度连接与可学习权重机制,实现了多尺度特征的动态优化融合;采用EIoU损失函数替代原CIoU损失函数,通过增加中心点距离惩罚项与宽高比解耦优化策略,有效解决了重叠区域回归偏差问题。与YOLOv5S基础模型相比,改进后的模型在自建的车窗状态数据集上取得显著性能提升,识别准确率提高了1.4%,召回率提高了2.1%,平均精度均值mAP@50提高了2.4%,从而验证了所提出的改进策略的有效性。

关键词： 高效注意力   多尺度特征   加权双向特征金字塔   火灾检测   YOLOv10   轻量化   计算机视觉   深度学习  

摘要： 为解决传统火灾检测模型在处理复杂场景时,特征提取不充分和模型复杂度过高导致预警延迟及识别精度下降的问题,提出一种可部署到终端设备上的基于改进YOLOv10的新型火灾检测模型YOLO-BFEPS(YOLO Bi-directional Fusion with Enhanced Partial Self-Attention),实现了同时对烟雾与火灾的快速准确检测。首先,改进PSA模块,加强空间语义特征提取,解决通道降维建模跨通道关系时带来的信息丢失与计算复杂度增加的问题,提高检测精度,并将改进后的模块记为E-PSA(Enhanced Partial Self-Attention);其次,基于BiFPN提出特征层双向跨连接的思想进行尺度融合,重新设计了YOLOv10的颈部结构,并创新性地增加来自低特征层信息的融合,在保持准确度的同时大大减少了模型参数以及计算复杂度;引入Faster Block结构替换C2f模块的Bottleneck结构,实现模型的轻量化设计,并将其称为C2f-Faster。最后,通过在多个数据集上进行实验验证了所提模型的有效性,其在参数量减少35.5%、计算复杂度降低17.6%的基础上,将检测精度(Precision)和mAP@0.5分别提升了5.9%和1.4%。

关键词： NT-Xent损失函数   MOON算法   机器学习   图像处理   异构数据处理  

摘要： 如今机器学习发展得很快,可处理高维图像数据时,训练过程麻烦不断。特别是在多设备协作场景下,既要保护数据隐私不泄露,又得解决不同设备数据分布不均衡的问题,这都成了研究难点。老一套集中式深度学习方法,在隐私保护这块有明显短板,很难满足当下需求。这篇文章重点研究模型对比联邦学习(Model-Contrastive Federated Learning,MOON)算法在图像处理里的应用和改进。先是把MOON算法复现出来,在通用数据集上跑实验,和其他算法对比性能,看看它到底强在哪、弱在哪。针对发现的问题,提出专门的优化方案,目标就是提升算法处理复杂异构数据的能力。从实验结果来看,优化后的MOON算法确实给力,不管是图像分类还是目标检测任务,训练时收敛速度变快了,遇到新数据也能更好地适应,泛化能力明显增强。这一成果,给联邦学习在隐私保护和异构数据处理方向的研究,提供了新的思路和参考。

关键词： 海上风力发电机   目标检测   YOLOv8   功率曲线   深度学习  

摘要： [目的]为提升海上风电机组的性能评估自动化水平,实现海上风电机组功率曲线智能化的故障筛查,提高问题机组的快速定位,[方法]基于计算机视觉目标检测YOLOv8算法,结合风电机组的设计运行原理,设计开发一套用于自动检测海上风力发电机功率曲线不一致的异常的算法。试验采集了947台海上风电机组的运行数据,并经过数据清洗、可视化等处理,创建了包含上千张图像的功率曲线不一致的故障数据集MTLDataset(含3111张异常图像)。针对YOLOv8n网络进行3项改进:引入全维度动态卷积ODConv来替代原本的Conv卷积模块,增强模型对复杂海洋环境下多变性风速与风向的适应性;采用轻量级上采样算子CARAFE,优化海上场景中低分辨率图像的细节复原能力;设计InnerMPDIoU Loss,提升异常边界框的回归精度。最后使用InnerMPDIoU Loss替换模型中的CIo ULoss,提升算法回归预测的性能。[结果]试验结果表明,改进后算法m AP@0.5提升了1.8%,mAP@0.5:0.95提升了2.4%,GFLOPs下降了0.6,推理速度仅7.8 ms,显著提升了海上风电机组异常检测效率,为海上风电智能化运维提供技术支撑。[结论]该算法有效提高了问题机组的故障检测效率,为推动海上风电机组的智能化水平提供了有力的支持。

关键词： 交通安全   风险行为识别   目标检测   轻量级网络   深度学习  

摘要： 高速公路施工现场风险行为频发,对工人的生命安全造成了巨大威胁,严重拖慢了施工进度,增加了施工成本。针对目前施工现场违规风险行为无法有效管理的现象,提出了MobileNet-V3 SSD算法,并构建了高速公路施工现场风险行为识别模型,部署在现场对风险行为进行实时监察管理,避免风险行为的发生。算法使用MobileNet-V3替代VGG和ResNet作为骨架网络提取特征,用SSD的检测网络进行目标定位,由于MobileNet-V3具有轻量级的特性,相比VGG和ResNet,其具有更快的计算速度及更少的模型参数,且能提取到质量接近VGG和ResNet的特征,它在保持原有VGG-SSD准确率的基础上,可以快速在资源有限的平台上运行,现场实际部署运行时采用Nvidia TensorRT压缩技术进一步减轻网络模型的参数量并加速推理过程。改进后算法识别风险行为的精确率P_(r)为87.21,召回率R_(c)为85.53,加权调和平均值F_(1)为86.31,mAP@0.5为88.15,相比其他算法均有较大提升,模型大小仅约为6 MB。通过在衡永高速施工现场对模型进行测试,结果表明,该模型可以适应施工现场的复杂环境,在体积更小、运算速度更快的情况下,对现场风险行为的识别有着较高的稳定性及精确的辨识结果。

关键词： 铁路重点场所   声波驱离技术   安全技防   目标跟踪  

摘要： 为提升铁路重点场所的安全管理水平,研究一种基于声波驱离技术的电子哨兵系统。介绍声波驱离技术原理,提出电子哨兵系统设计要求,构建电子哨兵系统架构,设计电子哨兵系统硬件和软件,详细阐述目标检测与跟踪和声波驱离策略库构建等关键技术原理,并开展现场验证试验。结果表明:基于YOLOv8网络的目标检测算法,能满足电子哨兵系统准确、可靠识别入侵目标的要求;电子哨兵系统能够准确捕捉到管控区域内的入侵目标,并发出相应声波以驱离入侵目标,满足设计要求。

关键词： 底吹气泡   帧间差分法   图像处理   气泡参数   线性分析  

摘要： 为了分析底吹气泡的连续运动行为,获取气泡的产生机制、尺寸分布及上升速度等关键参数,本研究提出一种基于图像处理的新方法,通过集成帧间差分、形态学运算、边缘检测与连通域分析算法,实现了气泡视频数据的高效降噪、连续轮廓提取及运动参数(位置、速度、尺寸)的精准量化.实验结果表明,该方法可有效捕捉气泡的完整生长过程与动态演化规律,揭示了气泡尺寸分布的非均匀性及上升速度的时空关联特性.本研究为工业反应器多相流系统的工艺调控、能效提升及设备设计提供了可靠的分析工具与数据支撑.

关键词： 计算机视觉   油田电力作业   安全监护   智能监控   风险预警  

摘要： 油田电力作业环境日趋复杂,危险程度越来越高,传统的安全保护方法已经很难适应现代化的要求。计算机视觉以其非接触、高精度、实时的特点,在油田电力作业过程中发挥着重要的作用。对油田电力作业过程中的计算机视觉技术进行了系统的研究,对其应用的关键技术、应用场景、实现途径和方法进行了研究,并对其进行了优化。研究结果显示,该方法在油田电气作业的安全保护中有着广泛的应用前景。

关键词： 深度学习   桥梁裂缝识别   目标检测   风险评估   预警系统  

摘要： 针对当前桥梁裂缝检测技术普遍存在依赖人工巡检、效率低以及误判率较高等问题,构建了一种基于深度学习的桥梁裂缝识别与预警系统。该系统以改进后的YOLOv5模型为核心,结合裂缝特征提取和特定风险评估规则,建立了图像识别与预警之间的联动机制。同时,创新性地引入多因素融合的动态预警方法。通过在实际场景中的部署与实验验证表明,该系统在识别精度和响应速度等关键指标上均优于传统方法,能够有效识别桥梁裂缝的演化趋势,并实现精准、及时的预警功能。